Chatbot modern dapat berfungsi sebagai agen digital, memberikan jalan baru untuk memberikan layanan dan dukungan pelanggan 24/7 di banyak industri. Popularitas mereka berasal dari kemampuan untuk menanggapi pertanyaan pelanggan secara real time dan menangani banyak pertanyaan secara bersamaan dalam berbagai bahasa. Chatbots juga menawarkan wawasan berbasis data yang berharga tentang perilaku pelanggan sambil melakukan penskalaan dengan mudah seiring pertumbuhan basis pengguna; oleh karena itu, mereka menghadirkan solusi hemat biaya untuk menarik pelanggan. Chatbots menggunakan kemampuan bahasa alami tingkat lanjut dari model bahasa besar (LLM) untuk menjawab pertanyaan pelanggan. Mereka dapat memahami bahasa percakapan dan merespons secara alami. Namun, chatbot yang hanya menjawab pertanyaan dasar memiliki kegunaan yang terbatas. Untuk menjadi penasihat tepercaya, chatbots perlu memberikan tanggapan yang bijaksana dan disesuaikan.
Salah satu cara untuk memungkinkan percakapan yang lebih kontekstual adalah dengan menghubungkan chatbot ke basis pengetahuan internal dan sistem informasi. Mengintegrasikan data kepemilikan perusahaan dari basis pengetahuan internal memungkinkan chatbot mengkontekstualisasikan tanggapan mereka terhadap kebutuhan dan minat individu setiap pengguna. Misalnya, chatbot dapat menyarankan produk yang sesuai dengan preferensi pembeli dan pembelian sebelumnya, menjelaskan detail dalam bahasa yang disesuaikan dengan tingkat keahlian pengguna, atau memberikan dukungan akun dengan mengakses catatan spesifik pelanggan. Kemampuan untuk menggabungkan informasi secara cerdas, memahami bahasa alami, dan memberikan balasan yang disesuaikan dalam alur percakapan memungkinkan chatbot memberikan nilai bisnis nyata di berbagai kasus penggunaan.
Pola arsitektur populer Pengambilan Augmented Generation (RAG) sering digunakan untuk menambah konteks dan respons kueri pengguna. RAG menggabungkan kemampuan LLM dengan landasan fakta dan pengetahuan dunia nyata yang berasal dari pengambilan teks dan bagian yang relevan dari kumpulan data. Teks-teks yang diambil ini kemudian digunakan untuk menginformasikan dan mendasari keluarannya, mengurangi halusinasi dan meningkatkan relevansi.
Dalam postingan ini, kami mengilustrasikan peningkatan chatbot secara kontekstual dengan menggunakan Basis Pengetahuan untuk Batuan Dasar Amazon, layanan tanpa server yang terkelola sepenuhnya. Integrasi Basis Pengetahuan untuk Amazon Bedrock memungkinkan chatbot kami memberikan respons yang lebih relevan dan dipersonalisasi dengan menghubungkan kueri pengguna ke titik data informasi terkait. Secara internal, Batuan Dasar Amazon menggunakan penyematan yang disimpan dalam database vektor untuk menambah konteks kueri pengguna saat runtime dan mengaktifkan solusi arsitektur RAG terkelola. Kami menggunakan Surat Amazon kepada pemegang saham kumpulan data untuk mengembangkan solusi ini.
Pengambilan Augmented Generation
RAG adalah pendekatan pembangkitan bahasa alami yang menggabungkan pengambilan informasi ke dalam proses pembangkitan. Arsitektur RAG melibatkan dua alur kerja utama: pemrosesan awal data melalui penyerapan, dan pembuatan teks menggunakan konteks yang ditingkatkan.
Alur kerja penyerapan data menggunakan LLM untuk membuat vektor penyematan yang mewakili makna semantik teks. Penyematan dibuat untuk dokumen dan pertanyaan pengguna. Penyematan dokumen dibagi menjadi beberapa bagian dan disimpan sebagai indeks dalam database vektor. Alur kerja pembuatan teks kemudian mengambil vektor penyematan pertanyaan dan menggunakannya untuk mengambil potongan dokumen yang paling mirip berdasarkan kesamaan vektor. Ini menambah petunjuk dengan potongan yang relevan ini untuk menghasilkan jawaban menggunakan LLM. Untuk lebih jelasnya, lihat Panduan Dasar tentang Retrieval Augmented Generation, Embeddings, dan Database Vektor bagian dalam Pratinjau โ Hubungkan Model Fondasi ke Sumber Data Perusahaan Anda dengan Agen untuk Amazon Bedrock.
Diagram berikut menggambarkan arsitektur RAG tingkat tinggi.
Meskipun arsitektur RAG memiliki banyak keunggulan, namun melibatkan banyak komponen, termasuk database, mekanisme pengambilan, prompt, dan model generatif. Mengelola bagian-bagian yang saling bergantung ini dapat menimbulkan kompleksitas dalam pengembangan dan penerapan sistem. Integrasi pengambilan dan pembangkitan juga memerlukan upaya rekayasa tambahan dan sumber daya komputasi. Beberapa perpustakaan sumber terbuka menyediakan pembungkus untuk mengurangi overhead ini; namun, perubahan pada pustaka dapat menimbulkan kesalahan dan menambah beban tambahan pada pembuatan versi. Bahkan dengan pustaka sumber terbuka, diperlukan upaya yang signifikan untuk menulis kode, menentukan ukuran potongan yang optimal, menghasilkan penyematan, dan banyak lagi. Pekerjaan penyiapan ini sendiri dapat memakan waktu berminggu-minggu, bergantung pada volume data.
Oleh karena itu, solusi terkelola yang menangani tugas-tugas yang tidak terdiferensiasi ini dapat menyederhanakan dan mempercepat proses penerapan dan pengelolaan aplikasi RAG.
Basis Pengetahuan untuk Batuan Dasar Amazon
Basis Pengetahuan untuk Amazon Bedrock adalah opsi tanpa server untuk membangun sistem AI percakapan yang kuat menggunakan RAG. Ini menawarkan penyerapan data dan alur kerja pembuatan teks yang terkelola sepenuhnya.
Untuk penyerapan data, ini menangani pembuatan, penyimpanan, pengelolaan, dan pembaruan penyematan teks data dokumen dalam database vektor secara otomatis. Ini membagi dokumen menjadi beberapa bagian yang dapat dikelola untuk pengambilan yang efisien. Potongan tersebut kemudian diubah menjadi embeddings dan ditulis ke indeks vektor, sekaligus memungkinkan Anda melihat dokumen sumber saat menjawab pertanyaan.
Untuk pembuatan teks, Amazon Bedrock menyediakan Ambil Dan Hasilkan API untuk membuat penyematan kueri pengguna, dan mengambil potongan relevan dari database vektor untuk menghasilkan respons yang akurat. Ini juga mendukung atribusi sumber dan memori jangka pendek yang diperlukan untuk aplikasi RAG.
Hal ini memungkinkan Anda untuk fokus pada aplikasi bisnis inti Anda dan menghilangkan beban berat yang tidak dapat dibedakan.
Ikhtisar solusi
Solusi yang disajikan dalam postingan ini menggunakan chatbot yang dibuat menggunakan a merampingkan aplikasi dan mencakup layanan AWS berikut:
Diagram berikut adalah pola arsitektur solusi umum yang dapat Anda gunakan untuk mengintegrasikan aplikasi chatbot apa pun ke Basis Pengetahuan untuk Amazon Bedrock.
Arsitektur ini mencakup langkah-langkah berikut:
- Pengguna berinteraksi dengan antarmuka chatbot Streamlit dan mengirimkan kueri dalam bahasa alami
- Hal ini memicu fungsi Lambda, yang memanggil Basis Pengetahuan
RetrieveAndGenerate
API. Secara internal, Basis Pengetahuan menggunakan Titan Amazon menyematkan model dan mengubah kueri pengguna menjadi vektor dan menemukan potongan yang secara semantik mirip dengan kueri pengguna. Perintah pengguna kemudian ditambah dengan potongan yang diambil dari basis pengetahuan. Perintah di samping konteks tambahan kemudian dikirim ke LLM untuk menghasilkan respons. Dalam solusi ini, kami menggunakan Claude Antropis Instan sebagai LLM kami untuk menghasilkan respons pengguna menggunakan konteks tambahan. Perhatikan bahwa solusi ini didukung di Wilayah tempat Anthropic Claude di Amazon Bedrock berada tersedia. - Respons yang relevan secara kontekstual dikirim kembali ke aplikasi chatbot dan pengguna.
Prasyarat
Pengguna Amazon Bedrock perlu meminta akses ke model fondasi sebelum tersedia untuk digunakan. Ini adalah tindakan satu kali dan membutuhkan waktu kurang dari satu menit. Untuk solusi ini, Anda harus mengaktifkan akses ke model Titan Embeddings G1 โ Teks dan Claude Instan โ v1.2 di Amazon Bedrock. Untuk informasi lebih lanjut, lihat Akses model.
Gandakan repo GitHub
Solusi yang disajikan dalam posting ini tersedia sebagai berikut GitHub repo. Anda perlu mengkloning repositori GitHub ke mesin lokal Anda. Buka jendela terminal dan jalankan perintah berikut. Perhatikan ini adalah satu perintah git clone.
Unggah kumpulan data pengetahuan Anda ke Amazon S3
Kami mengunduh kumpulan data untuk basis pengetahuan kami dan mengunggahnya ke dalam bucket S3. Kumpulan data ini akan memberi makan dan memperkuat basis pengetahuan. Selesaikan langkah-langkah berikut:
- Arahkan ke folder Laporan tahunan, surat kuasa dan surat pemegang saham penyimpanan data dan unduh surat pemegang saham Amazon beberapa tahun terakhir.
- Pada konsol Amazon S3, pilih Ember di panel navigasi.
- Pilih Buat ember.
- Beri nama embernya
knowledgebase-<your-awsaccount-number>
. - Biarkan semua pengaturan keranjang lainnya sebagai default dan pilih membuat.
- Arahkan ke folder
knowledgebase-<your-awsaccount-number>
ember. - Pilih Buat folder dan beri nama kumpulan data.
- Biarkan semua pengaturan folder lainnya sebagai default dan pilih membuat.
- Navigasikan kembali ke beranda bucket dan pilih Buat folder untuk membuat folder baru dan beri nama
lambdalayer
. - Biarkan semua pengaturan lainnya sebagai default dan pilih membuat.
- Arahkan ke folder
dataset
folder. - Unggah file kumpulan data laporan tahunan, proksi, dan surat pemegang saham yang Anda unduh sebelumnya ke keranjang ini dan pilih Unggah.
- Arahkan ke folder
lambdalayer
folder. - Unggah
knowledgebase-lambdalayer.zip
file tersedia di bawah/lambda/layer
folder di repo GitHub yang Anda kloning sebelumnya dan pilih Unggah. Anda akan menggunakan kode lapisan Lambda ini nanti untuk membuat fungsi Lambda.
Buat basis pengetahuan
Pada langkah ini, kita membuat basis pengetahuan menggunakan kumpulan data surat pemegang saham Amazon yang kita unggah ke bucket S3 pada langkah sebelumnya.
- Di konsol Amazon Bedrock, di bawah Orkestrasi di panel navigasi, pilih Dasar pengetahuan.
- Pilih Buat basis pengetahuan.
- Dalam majalah Detail basis pengetahuan bagian, masukkan nama dan deskripsi opsional.
- Dalam majalah izin IAM bagian, pilih Buat dan gunakan peran layanan baru dan masukkan nama untuk peran tersebut.
- Tambahkan tag sesuai kebutuhan.
- Pilih Selanjutnya.
- Meninggalkan Nama sumber data sebagai nama default.
- Untuk URI S3, pilih Jelajahi S3 untuk memilih bucket S3
knowledgebase-<your-account-number>/dataset/
.Anda perlu menunjuk ke folder bucket dan dataset yang Anda buat pada langkah sebelumnya. - Dalam majalah pengaturan lanjutan bagian, biarkan nilai default (jika mau, Anda dapat mengubah strategi pemotongan default dan menentukan ukuran potongan dan persentase overlay).
- Pilih Selanjutnya.
- Untuk Model penyematan, pilih Titan Menyematkan G1 โ Teks.
- Untuk Basis data vektor, Anda dapat memilih Buat toko vektor baru dengan cepat or Pilih penyimpanan vektor yang telah Anda buat. Perhatikan bahwa, untuk menggunakan penyimpanan vektor pilihan Anda, Anda memerlukan penyimpanan vektor yang telah dikonfigurasi sebelumnya untuk digunakan. Saat ini kami mendukung empat jenis mesin vektor: mesin vektor untuk Amazon OpenSearch Serverless, Amazon Aurora, Pinecone, dan Redis Enterprise Cloud. Untuk postingan ini, kami memilih Buat cepat penyimpanan vektor baru, yang secara default membuat penyimpanan vektor Tanpa Server OpenSearch baru di akun Anda.
- Pilih Selanjutnya.
- pada Tinjau dan buat halaman, tinjau semua informasi, atau pilih sebelumnya untuk mengubah opsi apa pun.
- Pilih Buat basis pengetahuan.Perhatikan bahwa proses pembuatan basis pengetahuan dimulai dan statusnya Sedang Berlangsung. Dibutuhkan beberapa menit untuk membuat penyimpanan vektor dan basis pengetahuan. Jangan keluar dari halaman, jika tidak, pembuatan akan gagal.
- Ketika status basis pengetahuan berada di
Ready
negara bagian, catat ID basis pengetahuan. Anda akan menggunakannya pada langkah berikutnya untuk mengonfigurasi fungsi Lambda. - Sekarang basis pengetahuan sudah siap, kita perlu menyinkronkan data surat pemegang saham Amazon ke basis pengetahuan tersebut. Dalam Sumber data bagian halaman detail basis pengetahuan, pilih Sync untuk memicu proses penyerapan data dari bucket S3 ke basis pengetahuan.
Proses sinkronisasi ini membagi file dokumen menjadi potongan-potongan lebih kecil dari ukuran potongan yang ditentukan sebelumnya, menghasilkan penyematan vektor menggunakan model penyematan teks yang dipilih, dan menyimpannya di penyimpanan vektor yang dikelola oleh Basis Pengetahuan untuk Amazon Bedrock.
Saat sinkronisasi himpunan data selesai, status sumber data akan berubah menjadi Ready
negara. Perhatikan bahwa, jika Anda menambahkan dokumen tambahan apa pun di folder data S3, Anda perlu menyinkronkan ulang basis pengetahuan.
Selamat, basis pengetahuan Anda sudah siap.
Perhatikan bahwa Anda juga dapat menggunakan Basis Pengetahuan untuk API layanan Amazon Bedrock dan Antarmuka Baris Perintah AWS (AWS CLI) untuk membuat basis pengetahuan secara terprogram. Anda perlu menjalankan berbagai bagian notebook Jupyter yang disediakan di bawah /notebook
folder di repo GitHub.
Buat fungsi Lambda
Fungsi Lambda ini diterapkan menggunakan Formasi AWS Cloud templat tersedia di repo GitHub di bawah /cfn
map. Templat ini memerlukan dua parameter: nama bucket S3 dan ID basis pengetahuan.
- Di halaman beranda layanan AWS CloudFormation, pilih Buat tumpukan untuk membuat tumpukan baru.
- Pilih Templat sudah siap untuk Siapkan templat.
- Pilih Unggah file templat untuk Sumber template.
- Pilih Pilih File, navigasikan ke repo GitHub yang Anda kloning sebelumnya, dan pilih file .yaml di bawah
/cfn
folder. - Pilih Selanjutnya.
- Untuk Nama tumpukan, masukkan nama.
- Dalam majalah parameter bagian, masukkan ID basis pengetahuan dan nama bucket S3 yang Anda catat sebelumnya.
- Pilih Selanjutnya.
- Biarkan semua opsi default apa adanya, pilih Selanjutnya, dan pilih Kirim.
- Verifikasi bahwa templat CloudFormation berhasil dijalankan, dan tidak ada kesalahan.
Selamat, Anda telah berhasil membuat fungsi Lambda, peran terkait, dan kebijakan.
Uji aplikasi chatbot kontekstual
Untuk menguji aplikasi chatbot Anda, selesaikan langkah-langkah berikut:
- Buka terminal baru atau jendela baris perintah di mesin Anda.
- Jalankan perintah berikut untuk menginstal AWS SDK untuk Python (Boto3). Boto3 memudahkan integrasi aplikasi, pustaka, atau skrip Python dengan layanan AWS.
- Jalankan perintah berikut untuk menginstal dan menyiapkan lingkungan pengembangan Python lokal untuk menjalankan aplikasi Streamlit:
- Arahkan ke folder
/streamlit
folder di folder repositori GitHub yang Anda kloning sebelumnya. - Jalankan perintah berikut untuk membuat instance aplikasi chatbot:
Ini akan membuka aplikasi obrolan berbasis web yang didukung oleh Streamlit di browser web default Anda.
- Gunakan aplikasi chatbot Streamlit ini untuk memposting pertanyaan bahasa alami guna memulai percakapan yang didukung oleh Basis Pengetahuan untuk Amazon Bedrock.
Saat Anda mengirimkan permintaan, aplikasi Streamlit memicu fungsi Lambda, yang memanggil Basis Pengetahuan RetrieveAndGenerate
API untuk mencari dan menghasilkan tanggapan.
Tabel berikut mencakup beberapa contoh pertanyaan dan tanggapan basis pengetahuan terkait. Cobalah beberapa pertanyaan berikut dengan menggunakan petunjuknya.
Pertanyaan | jawaban |
Apa yang dilakukan Amazon di bidang AI generatif? | Amazon telah mengerjakan model bahasa besar (LLM) mereka sendiri untuk AI generatif dan yakin hal ini akan mengubah dan meningkatkan setiap pengalaman pelanggan. Mereka berencana untuk terus berinvestasi secara besar-besaran pada model ini di seluruh pengalaman konsumen, penjual, merek, dan pembuat konten. |
Berapa pendapatan AWS dari tahun ke tahun pada tahun 2022? | Pendapatan AWS tumbuh 29% dari tahun ke tahun pada tahun 2022 dengan basis pendapatan $62 miliar. |
Berapa hari Amazon meminta karyawannya datang bekerja di kantor? | Amazon telah meminta karyawan perusahaan untuk kembali ke kantor setidaknya tiga hari seminggu mulai Mei 2022. |
Berapa persentase pertumbuhan pendapatan AWS dari tahun ke tahun pada tahun 2022? | AWS memperoleh pendapatan tahun-ke-tahun ('YoY') sebesar 29% pada tahun 2022. |
Dibandingkan dengan prosesor Graviton2, peningkatan kinerja apa yang dihasilkan chip Graviton3 menurut bagian ini? | Pada tahun 2022, AWS menghadirkan chip Graviton3 mereka, memberikan kinerja 25% lebih baik dibandingkan prosesor Graviton2. |
Chip inferensi manakah yang pertama kali diluncurkan oleh AWS menurut bagian tersebut? | AWS meluncurkan chip inferensi pertama mereka (โInferentiaโ) pada tahun 2019, dan mereka telah menghemat biaya modal perusahaan seperti Amazon lebih dari seratus juta dolar. |
Berdasarkan konteksnya, pada tahun berapa pendapatan tahunan Amazon meningkat dari $245 miliar menjadi $434 miliar? | Pendapatan tahunan Amazon meningkat dari $245 miliar pada tahun 2019 menjadi $434 miliar pada tahun 2022. |
Ceritakan lagi berapa pendapatannya pada tahun 2019? | Pendapatan Amazon pada tahun 2019 adalah $245 miliar. |
dan, 2021? | Pendapatan Amazon pada tahun 2021 adalah $469.8 miliar, meningkat 22% dibandingkan tahun 2020. |
Dan, ingatkan saya lagi kapan chip inferensi pertama kali diluncurkan? | Chip inferensi pertama Amazon adalah Inferentia, yang diluncurkan pada tahun 2019. |
Selama panggilan pertama ke fungsi Lambda, RetrieveAndGenerate
API mengembalikan a sessionId
, yang kemudian diteruskan oleh aplikasi Streamlit bersama dengan perintah pengguna berikutnya sebagai masukan ke RetrieveAndGenerate API untuk melanjutkan percakapan di sesi yang sama. Itu RetrieveAndGenerate
API mengelola memori jangka pendek dan menggunakan riwayat obrolan selama sessionId yang sama diteruskan sebagai masukan dalam panggilan berturut-turut.
Selamat, Anda telah berhasil membuat dan menguji aplikasi chatbot menggunakan Basis Pengetahuan untuk Amazon Bedrock.
Membersihkan
Gagal menghapus sumber daya seperti bucket S3, koleksi OpenSearch Serverless, dan basis pengetahuan akan dikenakan biaya. Untuk membersihkan sumber daya ini, hapus tumpukan CloudFormation, hapus bucket S3 (termasuk folder dokumen dan file apa pun yang disimpan dalam bucket tersebut), hapus koleksi OpenSearch Serverless, hapus basis pengetahuan, dan hapus semua peran, kebijakan, dan izin yang Anda dibuat sebelumnya.
Kesimpulan
Dalam postingan ini, kami memberikan ikhtisar chatbot kontekstual dan menjelaskan mengapa itu penting. Kami menjelaskan kompleksitas yang terlibat dalam penyerapan data dan alur kerja pembuatan teks untuk arsitektur RAG. Kami kemudian memperkenalkan bagaimana Basis Pengetahuan untuk Amazon Bedrock menciptakan sistem RAG tanpa server yang terkelola sepenuhnya, termasuk penyimpanan vektor. Terakhir, kami menyediakan arsitektur solusi dan kode contoh dalam a GitHub repo untuk mengambil dan menghasilkan respons kontekstual untuk aplikasi chatbot menggunakan basis pengetahuan.
Dengan menjelaskan nilai chatbot kontekstual, tantangan sistem RAG, dan bagaimana Basis Pengetahuan untuk Amazon Bedrock mengatasi tantangan tersebut, postingan ini bertujuan untuk menunjukkan bagaimana Amazon Bedrock memungkinkan Anda membangun aplikasi AI percakapan yang canggih dengan sedikit usaha.
Untuk informasi lebih lanjut, lihat Panduan Pengembang Batuan Dasar Amazon dan API Basis Pengetahuan.
Tentang Penulis
Manish Chugh adalah Arsitek Solusi Utama di AWS yang berbasis di San Francisco, CA. Dia berspesialisasi dalam pembelajaran mesin dan AI generatif. Dia bekerja dengan organisasi mulai dari perusahaan besar hingga perusahaan rintisan tahap awal dalam masalah yang berkaitan dengan pembelajaran mesin. Perannya mencakup membantu organisasi-organisasi ini merancang beban kerja yang terukur, aman, dan hemat biaya di AWS. Dia rutin memberikan presentasi di konferensi AWS dan acara mitra lainnya. Di luar pekerjaan, dia menikmati hiking di jalur East Bay, bersepeda jalan raya, dan menonton (dan bermain) kriket.
Mani Khanuja adalah Pimpinan Teknologi โ Spesialis AI Generatif, penulis buku Applied Machine Learning and High Performance Computing on AWS, dan anggota Dewan Direksi Women in Manufacturing Education Foundation Board. Dia memimpin proyek pembelajaran mesin di berbagai domain seperti visi komputer, pemrosesan bahasa alami, dan AI generatif. Dia berbicara di konferensi internal dan eksternal seperti AWS re:Invent, Women in Manufacturing West, webinar YouTube, dan GHC 23. Di waktu luangnya, dia suka berjalan-jalan di sepanjang pantai.
Pallavi Nargund adalah Arsitek Solusi Utama di AWS. Dalam perannya sebagai penggerak teknologi cloud, dia bekerja dengan pelanggan untuk memahami tujuan dan tantangan mereka, dan memberikan panduan preskriptif untuk mencapai tujuan mereka dengan penawaran AWS. Dia sangat tertarik dengan perempuan di bidang teknologi dan merupakan anggota inti Women in AI/ML di Amazon. Dia berbicara di konferensi internal dan eksternal seperti AWS re:Invent, AWS Summits, dan webinar. Di luar pekerjaan dia menikmati kegiatan sukarela, berkebun, bersepeda, dan hiking.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-chatbot-application-using-knowledge-bases-for-amazon-bedrock/
- :memiliki
- :adalah
- :Di mana
- $NAIK
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- kemampuan
- Tentang Kami
- mempercepat
- mengakses
- mengakses
- Menurut
- Akun
- tepat
- Mencapai
- di seluruh
- Tindakan
- menambahkan
- Tambahan
- alamat
- maju
- keuntungan
- penasehat
- lagi
- agen
- AI
- Sistem AI
- AI / ML
- ditujukan
- Semua
- Membiarkan
- memungkinkan
- sendirian
- sepanjang
- di samping
- juga
- Amazon
- Amazon Web Services
- an
- dan
- tahunan
- PENDAPATAN TAHUNAN
- menjawab
- menjawab
- Antropik
- Apa pun
- api
- Lebah
- aplikasi
- Aplikasi
- aplikasi
- terapan
- pendekatan
- arsitektur
- ADALAH
- AS
- At
- menambah
- ditambah
- menambah
- Aurora
- penulis
- secara otomatis
- tersedia
- kesempatan
- jauh
- AWS
- Formasi AWS Cloud
- AWS re: Temukan
- kembali
- mendasarkan
- berdasarkan
- dasar
- Teluk
- Pantai
- menjadi
- menjadi
- sebelum
- Awal
- dimulai
- laku
- percaya
- Lebih baik
- Milyar
- papan
- direksi
- Book
- merek
- Browser
- membangun
- bisnis
- Aplikasi Bisnis
- by
- CA
- panggilan
- Panggilan
- CAN
- kemampuan
- modal
- kasus
- CD
- tantangan
- perubahan
- Perubahan
- beban
- mengobrol
- ChatBot
- chatbots
- Pembayaran
- keping
- Keripik
- pilihan
- Pilih
- membersihkan
- cli
- awan
- TEKNOLOGI AWAN
- kode
- koleksi
- menggabungkan
- bagaimana
- datang
- Umum
- Perusahaan
- perusahaan
- lengkap
- kompleksitas
- komponen
- komputasi
- komputer
- Visi Komputer
- komputasi
- konferensi
- Terhubung
- konsul
- konsumen
- konteks
- kontekstual
- mengontekstualisasikan
- terus
- Percakapan
- percakapan
- AI percakapan
- percakapan
- dikonversi
- Core
- Timeline
- hemat biaya
- bisa
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- pencipta
- jangkrik
- Sekarang
- pelanggan
- perilaku pelanggan
- pengalaman pelanggan
- Layanan Pelanggan
- pelanggan
- disesuaikan
- data
- titik data
- Data-driven
- Basis Data
- Hari
- Default
- menyampaikan
- disampaikan
- mengantarkan
- Tergantung
- dikerahkan
- penyebaran
- dijelaskan
- deskripsi
- rincian
- Menentukan
- mengembangkan
- Pengembang
- Pengembangan
- diagram
- MELAKUKAN
- berbeda
- digital
- Direksi
- beberapa
- dokumen
- dokumen
- melakukan
- dolar
- domain
- Dont
- turun
- Download
- setiap
- Terdahulu
- tahap awal
- Timur
- Pendidikan
- efisien
- usaha
- mudah
- antara
- embedding
- karyawan
- aktif
- enabler
- memungkinkan
- menarik
- Mesin
- Teknik
- ditingkatkan
- meningkatkan
- Enter
- Enterprise
- perusahaan
- Lingkungan Hidup
- kesalahan
- Bahkan
- peristiwa
- Setiap
- contoh
- pengalaman
- Pengalaman
- keahlian
- Menjelaskan
- menjelaskan
- menjelaskan
- luar
- fakta
- GAGAL
- beberapa
- bidang
- File
- File
- Akhirnya
- menemukan
- Pertama
- aliran
- Fokus
- berikut
- Untuk
- Prinsip Dasar
- empat
- Francisco
- Gratis
- dari
- sepenuhnya
- fungsi
- g1
- menghasilkan
- menghasilkan
- generasi
- generatif
- AI generatif
- pergi
- GitHub
- Memberikan
- Go
- Anda
- tumbuh
- Tanah
- Tumbuh
- tumbuh
- bimbingan
- memiliki
- menangani
- Menangani
- Memiliki
- he
- berat
- angkat berat
- membantu
- dia
- High
- tingkat tinggi
- -nya
- sejarah
- Beranda
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- http
- HTTPS
- ratus
- ID
- if
- menjelaskan
- menggambarkan
- mengimplementasikan
- penting
- memperbaiki
- perbaikan
- meningkatkan
- in
- termasuk
- Termasuk
- menggabungkan
- menggabungkan
- Meningkatkan
- Pada meningkat
- indeks
- indeks
- sendiri-sendiri
- industri
- memberitahu
- informasi
- Sistem Informasi
- memasukkan
- Pertanyaan
- wawasan
- install
- saat
- mengintegrasikan
- Mengintegrasikan
- integrasi
- interaktif
- kepentingan
- Antarmuka
- intern
- internal
- ke
- memperkenalkan
- diperkenalkan
- investasi
- memanggil
- terlibat
- melibatkan
- IT
- jpg
- kunci
- pengetahuan
- bahasa
- Bahasa
- besar
- Perusahaan besar
- Terakhir
- kemudian
- diluncurkan
- lapisan
- memimpin
- Memimpin
- pengetahuan
- paling sedikit
- Meninggalkan
- kurang
- surat
- Tingkat
- perpustakaan
- Perpustakaan
- pengangkatan
- 'like'
- 'like
- Terbatas
- baris
- menghubungkan
- LLM
- lokal
- Panjang
- mesin
- Mesin belajar
- Utama
- MEMBUAT
- dikelola
- berhasil
- mengelola
- pelaksana
- pabrik
- banyak
- Cocok
- Mungkin..
- me
- makna
- mekanisme
- anggota
- Memori
- hanya
- juta
- juta dolar
- minimal
- menit
- menit
- model
- model
- memodifikasi
- lebih
- paling
- beberapa
- nama
- Alam
- Pengolahan Bahasa alami
- Arahkan
- Navigasi
- Perlu
- dibutuhkan
- kebutuhan
- New
- berikutnya
- tidak
- None
- mencatat
- buku catatan
- terkenal
- tujuan
- of
- menawarkan
- Penawaran
- Penawaran
- Office
- sering
- on
- ONE
- Buka
- open source
- optimal
- pilihan
- Opsi
- or
- organisasi
- Lainnya
- jika tidak
- kami
- di luar
- keluaran
- di luar
- lebih
- atas
- ikhtisar
- sendiri
- halaman
- pane
- parameter
- pasangan
- bagian
- bagian
- bagian
- Lulus
- bergairah
- lalu
- pola
- persentase
- prestasi
- Izin
- Personalized
- rencana
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- Titik
- poin
- Kebijakan
- Populer
- kepopuleran
- Pos
- kekuasaan
- didukung
- kuat
- preferensi
- menyajikan
- disajikan
- hadiah
- sebelumnya
- Utama
- masalah
- proses
- pengolahan
- prosesor
- Produk
- Kemajuan
- memprojeksikan
- meminta
- hak milik
- memberikan
- disediakan
- menyediakan
- menyediakan
- pembelian
- Ular sanca
- query
- pertanyaan
- pertanyaan
- Pertanyaan
- Cepat
- lap
- mulai
- RE
- siap
- nyata
- dunia nyata
- real-time
- arsip
- menurunkan
- mengurangi
- lihat
- daerah
- secara teratur
- terkait
- relevansi
- relevan
- menghapus
- laporan
- gudang
- mewakili
- permintaan
- wajib
- membutuhkan
- Sumber
- Menanggapi
- tanggapan
- tanggapan
- pengambilan
- Pengembalian
- pendapatan
- ulasan
- jalan
- Peran
- peran
- Run
- berjalan
- runtime
- sama
- mencicipi
- San
- San Fransisco
- disimpan
- terukur
- skala
- naskah
- SDK
- Pencarian
- Bagian
- bagian
- aman
- melihat
- memilih
- terpilih
- semantik
- mengirim
- melayani
- Tanpa Server
- layanan
- Layanan
- Sidang
- set
- pengaturan
- penyiapan
- pemegang saham
- Pemegang Saham
- dia
- jangka pendek
- harus
- menampilkan
- penting
- mirip
- serentak
- tunggal
- Ukuran
- lebih kecil
- larutan
- Solusi
- beberapa
- mutakhir
- sumber
- sumber
- Bicara
- spesialis
- spesialisasi
- tertentu
- ditentukan
- membagi
- Berpisah
- tumpukan
- awal
- Startups
- Negara
- Status
- batang
- Langkah
- Tangga
- menyimpan
- tersimpan
- toko
- menyimpan
- mudah
- Penyelarasan
- mempersingkat
- menyerahkan
- selanjutnya
- substansial
- berhasil
- seperti itu
- menyarankan
- Summits
- mendukung
- Didukung
- Mendukung
- sinkronisasi.
- sistem
- sistem
- tabel
- disesuaikan
- Mengambil
- Dibutuhkan
- tugas
- tech
- Teknologi
- Template
- terminal
- uji
- diuji
- teks
- dari
- bahwa
- Grafik
- informasi
- Sumber
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- ini
- itu
- tiga
- Melalui
- waktu
- titan
- untuk
- Mengubah
- memicu
- Terpercaya
- mencoba
- dua
- jenis
- bawah
- memahami
- memperbarui
- upload
- menggunakan
- bekas
- Pengguna
- Pengguna
- kegunaan
- menggunakan
- kegunaan
- v1
- Berharga
- nilai
- Nilai - Nilai
- berbagai
- penglihatan
- volume
- ingin
- adalah
- menonton
- Cara..
- we
- jaringan
- web browser
- layanan web
- berbasis web
- Webinars
- minggu
- minggu
- Barat
- Apa
- ketika
- yang
- sementara
- mengapa
- akan
- jendela
- dengan
- Wanita
- wanita dalam teknologi
- Kerja
- alur kerja
- Alur kerja
- kerja
- bekerja
- menulis
- tulis kode
- tertulis
- yaml
- tahun
- tahun
- Kamu
- Anda
- Youtube
- zephyrnet.dll